人工智能的核心技术是什么.pdf

⼈⼯智能的核⼼技术是什么

⼈⼯智能是计算机科学的⼀个分⽀，它企图了解智能的实质，并⽣产出⼀种新的能以⼈类智能相似的⽅式做出反应的智

能机器，该领域的研究包括机器⼈、语⾔识别、图像识别、⾃然语⾔处理和专家系统等。⼈⼯智能从诞⽣以来，理论和

技术⽇益成熟，应⽤领域也不断扩⼤，可以设想，未来⼈⼯智能带来的科技产品，将会是⼈类智慧的容器“”。⼈⼯智能

可以对⼈的意识、思维的信息过程的模拟。⼈⼯智能不是⼈的智能，但能像⼈那样思考、也可能超过⼈的智能。

1机器学习

机器学习（MachineLearning）是⼀门涉及统计学、系统辨识、逼近理论、神经⽹络、优化理论、计算机科学、脑科学

等诸多领域的交叉学科，研究计算机怎样模拟或实现⼈类的学习⾏为，以获取新的知识或技能，重新组织已有的知识

结构使之不断改善⾃⾝的性能，是⼈⼯智能技术的核⼼。基于数据的机器学习是现代智能技术中的重要⽅法之⼀，研究

从观测数据（样本）出发寻找规律，利⽤这些规律对未来数据或⽆法观测的数据进⾏预测。根据学习模式、学习⽅法以

及算法的不同，机器学习存在不同的分类⽅法。

（1）根据学习模式将机器学习分类为监督学习、⽆监督学习和强化学习等。

监督学习

监督学习是利⽤已标记的有限训练数据集，通过某种学习策略/⽅法建⽴⼀个模型，实现对新数据/实例的标记（分类）/

映射，最典型的监督学习算法包括回归和分类。监督学习要求训练样本的分类标签已知，分类标签精确度越⾼，样本越

具有代表性，学习模型的准确度越⾼。监督学习在⾃然语⾔处理、信息检索、⽂本挖掘、⼿写体辨识、垃圾邮件侦测等

领域获得了⼴泛应⽤。

⽆监督学习

⽆监督学习是利⽤⽆标记的有限数据描述隐藏在未标记数据中的结构/规律，最典型的⾮监督学习算法包括单类密度估

计、单类数据降维、聚类等。⽆监督学习不需要训练样本和⼈⼯标注数据，便于压缩数据存储、减少计算量、提升算法

速度，还可以避免正、负样本偏移引起的分类错误问题。主要⽤于经济预测、异常检测、数据挖掘、图像处理、模式识

别等领域，例如组织⼤型计算机集群、社交⽹络分析、市场分割、天⽂数据分析等。

强化学习

强化学习是智能系统从环境到⾏为映射的学习，以使强化信号函数值最⼤。由于外部环境提供的信息很少，强化学习系

统必须靠⾃⾝的经历进⾏学习。强化学习的⽬标是学习从环境状态到⾏为的映射，使得智能体选择的⾏为能够获得环

境最⼤的奖赏，使得外部环境对学习系统在某种意义下的评价为最佳。其在机器⼈控制、⽆⼈驾驶、下棋、⼯业控制等

领域获得成功应⽤。

（2）根据学习⽅法可以将机器学习分为传统机器学习和深度学习。

传统机器学习

传统机器学习从⼀些观测（训练）样本出发，试图发现不能通过原理分析获得的规律，实现对未来数据⾏为或趋势的准

确预测。相关算法包括逻辑回归、隐马尔科夫⽅法、⽀持向量机⽅法、K近邻⽅法、三层⼈⼯神经⽹络⽅法、

Adaboost算法、贝叶斯⽅法以及决策树⽅法等。传统机器学习平衡了学习结果的有效性与学习模型的可解释性，为解

决有限样本的学习问题提供了⼀种框架，主要⽤于有限样本情况下的模式分类、回归分析、概率密度估计等。传统机器

学习⽅法共同的重要理论基础之⼀是统计学，在⾃然语⾔处理、语⾳识别、图像识别、信息检索和⽣物信息等许多计

算机领域获得了⼴泛应⽤。

深度学习

深度学习是建⽴深层结构模型的学习⽅法，典型的深度学习算法包括深度置信⽹络、卷积神经⽹络、受限玻尔兹曼机和

循环神经⽹络等。深度学习⼜称为深度神经⽹络（指层数超过3层的神经⽹络）。深度学习作为机器学习研究中的⼀

个新兴领域，由Hinton等⼈于2006年提出。深度学习源于多层神经⽹络，其实质是给出了⼀种将特征表⽰和学习合

⼆为⼀的⽅式。深度学习的特点是放弃了可解释性，单纯追求学习的有效性。经过多年的摸索尝试和研究，已经产⽣了

⼆为⼀的⽅式。深度学习的特点是放弃了可解释性，单纯追求学习的有效性。经过多年的摸索尝试和研究，已经产⽣了

诸多深度神经⽹络的模型，其中卷积神经⽹络、循环神经⽹络是两类典型的模型。卷积神经⽹络常被应⽤于空间性分

布数据；循环神经⽹络在神经⽹络中引⼊了记忆和反馈，常被应⽤于时间性分布数据。深度学习框架是进⾏深度学习的

基础底层框架，⼀般包含主流的神经⽹络算法模型，提供稳定的深度学习API，⽀持训练模型在服务器和GPU、TPU

间的分布式学习，部分框架还具备在包括移动设备、云平台在内的多种平台上运⾏的移植能⼒，从⽽为深度学习算法带

来前所未有的运⾏速度和实⽤性。⽬前主流的开